Drivers and Spatial extent of Urban Development in Flood-prone Areas in Metropolitan Lagos
Notice bibliographique
Résumé
Urban development in flood-prone areas has created many environmental challenges in many cities in Nigeria. This survey-based study examined the drivers and spatial extent of development in floodplains in metropolitan Lagos. A total of 1,031 (7.2%) buildings out of 14,273 were systematically selected along 211 streets out of 1,403 prone to flood, and a structured questionnaire was administered to heads of households to determine the factors influencing development in floodplains. A Thematic Mapper of 1990, Enhanced Thematic Mapper of 2000 and the Google Earth Landsat of 2014 were also analysed in ILWIS 3.3 Academic and Arc-GIs 10.2 to determine the extent of development in floodplains. The study revealed, in order of significance, closeness to place of work, nearness to market, closeness to children’s schools, low rent, low income, and family affinity as factors that influenced the development in floodplains in the Lagos metropolis. Ineffective control of development and inadequate compliance with planning and building regulations were additional factors. Urban development in flood-prone areas in Lagos increased from 9.3 km2 in 1990 to 10.50 km2 in 2000 and 17.80 km2 in 2014. The study recommends that floodplains should be acquired and effectively protected to prevent any form of physical development; they should serve as natural sink for storm water and urban green for passive recreation. Urban development regulations should be strictly enforced by the relevant government agencies, such as the Lagos State Building Control Agency in the Ministry of Physical Planning and Urban Development.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».